CN111127460B - 一种基于块连接的图像显示适应评估方法 - Google Patents
一种基于块连接的图像显示适应评估方法 Download PDFInfo
- Publication number
- CN111127460B CN111127460B CN201911413370.7A CN201911413370A CN111127460B CN 111127460 B CN111127460 B CN 111127460B CN 201911413370 A CN201911413370 A CN 201911413370A CN 111127460 B CN111127460 B CN 111127460B
- Authority
- CN
- China
- Prior art keywords
- evaluated
- image
- block
- image block
- display
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及一种基于块连接的图像显示适应评估方法,包括以下步骤:利用显著性检测算法对原始图像进行显著性检测,并生成显著性图;计算待评估的显示适应图像块与原始图像块之间的相似性分数;对待评估的显示适应图像块的相似性分数进行块连接操作;对块连接操作结果进行加权池化,得到图像质量分数。本发明有利于提高图像显示适应评估方法的性能。
Description
技术领域
本发明涉及图像处理以及计算机视觉技术领域,特别是一种基于块连接的图像显示适应评估方法。
背景技术
图像显示适应是数字图像处理中的一个重要研究内容。目前,还没有一种图像显示适应方法可以很好的应用于不同场景。因此,有必要开发一种有效的图像显示适应评估方法,以促进图像显示适应方法的进一步发展。
传统的图像质量评估方法如均方差,峰值信噪比和结构相似性方法,由于原始图像和显示适应图像在尺寸上的差异,无法直接应用于图像显示适应评估领域。为了解决尺度差异问题,SIFT(Scale Invariant Feature Transform)和SIFT flow被运用于配准原始图像和显示适应图像中的像素点。通过两张图像像素点的对应关系,模拟显示适应图像在显示适应过程中引入的失真。基于配准的图像显示适应评估方法往往将原始图像划分为规则的图像块,利用配准信息,计算原始图像块和显示适应图像块间的差异。最后,利用重要性性加权,将局部图像块的质量分数整合为整张图像的质量。
然而,这些方法并没有考虑局部图像块与整体图像质量间的关系,仅通过简单的显著性加权将局部图像块的质量分数汇总到一起。尽管局部图像块保存完好,若其相邻的图像块存在明显的失真,会导致该图像块与明显失真的图像块形成强烈的对比,更容易引起人类视觉系统的注意,从而降低图像主观感知质量。因此,有必要进一步考虑局部图像块的质量与整体图像质量之间的关系。
发明内容
有鉴于此,本发明的目的是提出一种基于块连接的图像显示适应评估方法,有利于提高图像显示适应评估方法的性能。
本发明采用以下方案实现:一种基于块连接的图像显示适应评估方法,包括以下步骤:
利用显著性检测算法对原始图像进行显著性检测,并生成显著性图;
计算待评估的显示适应图像块与原始图像块之间的相似性分数;
对待评估的显示适应图像块的相似性分数进行块连接操作;
对块连接操作结果进行加权池化,得到图像质量分数。
进一步地,所述利用显著性检测算法对原始图像进行显著性检测,并生成显著性图具体为:利用图像显著性检测算法对原始图像进行显著性检测并生成对应的显著性图,同时将显著性图划分成N×N的图像块。
进一步地,所述计算待评估的显示适应图像块与原始图像块之间的相似性分数具体包括以下步骤:
步骤S21:将原始图像划分成n块N×N的图像块;建立待评估的显示适应图像和原始图像像素间的一一对应关系,将原始图像中的图像块与待评估的显示适应图像中的图像块进行对应;
步骤S22:计算待评估的显示适应图像中的第i个待评估的显示适应图像块与其对应的原始图像中的原始图像块的宽高比相似度:
式中,rw(i)=wret(i)/N,rh(i)=hret(i)/N,其中,wret(i)和hret(i)分别是第i块待评估的显示适应图像块水平方向和竖直方向最大的宽度和高度,C=1e-6;其中原始图像块的宽高比为1,因此省略分母;
步骤S23:计算第i个待评估的显示适应图像块与其对应的原始图像块间的信息保真度sinf(i):
式中,μr(i)=(rw(i)+rh(i))/2,α=0.3;其中,rw(i)=wret(i)/N,rh(i)=hret(i)/N,其中,wret(i)和hret(i)分别是第i块待评估的显示适应图像块水平方向和竖直方向最大的宽度和高度;其中,原始图像块的信息保真度为1,因此省略分母;
步骤S24:计算第i个待评估的显示适应图像块与原始图像块间的轮廓相似度;原始图像与其对应的待评估图像的第i个待评估的显示适应图像块的轮廓分别表示为Co(i)和Cr(i);每个轮廓中的像素采用八连通Freeman链码表示,然后计算该轮廓的链码直方图;
步骤S25:使用直方图相交的方法计算第i对图像块轮廓的链码直方图相似度d(i):
步骤S26:计算第i个待评估的显示适应图像块轮廓Cr(i)与对应的原始图像块Co(i)的轮廓相似度:
scch(i)=d(i)β;
式中,β是一个大于0的常数,用于调整轮廓相似度在图像保真度度量中的权重,本发明选取0.3;
步骤S27:计算第i个待评估的显示适应图像块和与其对应的原始图像块的相似性分数si:
si=sar(i)·sinf(i)·scch(i)。
进一步地,所述对待评估的显示适应图像块的相似性分数进行块连接操作具体包括以下步骤:
步骤S31:计算待评估的显示适应图像中第i个局部块和第k个局部块间的欧式距离:
式中,pi(x)、pi(y)分别表示第i个局部块中心像素坐标的横坐标和纵坐标;pk(x)和pk(y)分别表示第k个局部块中心像素坐标的横坐标和纵坐标;
步骤S32:对待评估图像块的相似性分数进行局部保真度约束,局部保真度约束后,第i块待评估图像块的质量分数sli计算公式如下:
sli=si(1-sdi);
其中,
式中,sik=|si-sk|为si与其8邻域的图像块集合中第k个待评估的显示适应图像块的相似性分数sk之间差值的绝对值,为第i个待评估的显示适应图像块与其8邻域的图像块集合中第k个待评估的显示适应图像块的欧氏距离;sdi表示第i个待评估的显示适应图像块的相似性分数si与其8邻域的图像块集合中图像块的相似性分数差异的欧氏距离加权和;通过1-sdi来表示第i个待评估的显示适应图像块与其8邻域图像块的质量差异程度;
步骤S33:对每个待评估的显示适应图像块的相似性分数进行全局保真度约束,在全局保真度约束下的第i个待评估的显示适应图像块质量分数sgi计算公式如下:
式中,sj为第j个待评估的显示适应图像块与其对应的原始图像块的相似性分数,ρij为第i个待评估的显示适应图像块与第j个待评估的显示适应图像块的欧氏距离;
步骤S34:进行块连接操作,经过块连接操作后第i个待评估的显示适应图像块分数spli的计算公式如下:
式中,λ是一个0到1之间的常数,本发明选取0.7。
进一步地,所述对块连接操作结果进行加权池化,得到图像质量分数具体为:使用显著性图对块连接操作结果进行加权池化,得到整张待评估图像的质量分数Q,具体计算公式如下:
与现有技术相比,本发明有以下有益效果:本发明首先计算原始图像和显示适应图像局部块的相似性分数。通过局部保真度约束和全局保真度约束对局部图像块的相似性分数进行块连接操作,从而模拟人类视觉系统对图像的感知特性。本发明的方法考虑了图像块质量分布不均对整体图像质量的影响,同时也考虑了整体图像质量对局部图像块质量的影响。块连接操作可以有效提高图像显示适应评估方法的性能,具有较高的实用价值。
附图说明
图1为本发明实施例的方法流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于块连接的图像显示适应评估方法,包括以下步骤:
利用显著性检测算法对原始图像进行显著性检测,并生成显著性图;
计算待评估的显示适应图像块与原始图像块之间的相似性分数;
对待评估的显示适应图像块的相似性分数进行块连接操作;
对块连接操作结果进行加权池化,得到图像质量分数。
在本实施例中,所述利用显著性检测算法对原始图像进行显著性检测,并生成显著性图具体为:利用图像显著性检测算法对原始图像进行显著性检测并生成对应的显著性图,同时将显著性图划分成N×N的图像块。
在本实施例中,所述计算待评估的显示适应图像块与原始图像块之间的相似性分数具体包括以下步骤:
步骤S21:将原始图像划分成n块N×N的图像块;建立待评估的显示适应图像和原始图像像素间的一一对应关系,将原始图像中的图像块与待评估的显示适应图像中的图像块进行对应;其中,本实施例采用文献基于后向配准后宽高比相似度的显示适应图像质量评估方法(Backward Registration-Based Aspect Ratio Similarity for ImageRetargeting Quality Assessment)中提出的后向配准方法建立待评估的显示适应图像和原始图像像素间的一一对应关系;
步骤S22:计算待评估的显示适应图像中的第i个待评估的显示适应图像块与其对应的原始图像中的原始图像块的宽高比相似度:
式中,rw(i)=wret(i)/N,rh(i)=hret(i)/N,其中,wret(i)和hret(i)分别是第i块待评估的显示适应图像块水平方向和竖直方向最大的宽度和高度,C=1e-6;其中原始图像块的宽高比为1,因此省略分母;
步骤S23:计算第i个待评估的显示适应图像块与其对应的原始图像块间的信息保真度sinf(i):
式中,μr(i)=(rw(i)+rh(i))/2,α=0.3;其中,rw(i)=wret(i)/N,rh(i)=hret(i)/N,其中,wret(i)和hret(i)分别是第i块待评估的显示适应图像块水平方向和竖直方向最大的宽度和高度;其中,原始图像块的信息保真度为1,因此省略分母;
步骤S24:计算第i个待评估的显示适应图像块与原始图像块间的轮廓相似度;原始图像与其对应的待评估图像的第i个待评估的显示适应图像块的轮廓分别表示为Co(i)和Cr(i);每个轮廓中的像素采用八连通Freeman链码表示,然后计算该轮廓的链码直方图;
步骤S25:使用直方图相交的方法计算第i对图像块轮廓的链码直方图相似度d(i):
步骤S26:计算第i个待评估的显示适应图像块轮廓Cr(i)与对应的原始图像块Co(i)的轮廓相似度:
scch(i)=d(i)β;
式中,β是一个大于0的常数,用于调整轮廓相似度在图像保真度度量中的权重,本发明选取0.3;
步骤S27:计算第i个待评估的显示适应图像块和与其对应的原始图像块的相似性分数si:
si=sar(i)·sinf(i)·scch(i)。
在本实施例中,所述对待评估的显示适应图像块的相似性分数进行块连接操作具体包括以下步骤:
步骤S31:计算待评估的显示适应图像中第i个局部块和第k个局部块间的欧式距离:
式中,pi(x)、pi(y)分别表示第i个局部块中心像素坐标的横坐标和纵坐标;pk(x)和pk(y)分别表示第k个局部块中心像素坐标的横坐标和纵坐标;
步骤S32:对待评估图像块的相似性分数进行局部保真度约束,局部保真度约束后,第i块待评估图像块的质量分数sli计算公式如下:
sli=si(1-sdi);
其中,
式中,sik=|si-sk|为si与其8邻域的图像块集合中第k个待评估的显示适应图像块的相似性分数sk之间差值的绝对值,为第i个待评估的显示适应图像块与其8邻域的图像块集合中第k个待评估的显示适应图像块的欧氏距离;sdi表示第i个待评估的显示适应图像块的相似性分数si与其8邻域的图像块集合中图像块的相似性分数差异的欧氏距离加权和;通过1-sdi来表示第i个待评估的显示适应图像块与其8邻域图像块的质量差异程度;
步骤S33:对每个待评估的显示适应图像块的相似性分数进行全局保真度约束,在全局保真度约束下的第i个待评估的显示适应图像块质量分数sgi计算公式如下:
式中,sj为第j个待评估的显示适应图像块与其对应的原始图像块的相似性分数,ρij为第i个待评估的显示适应图像块与第j个待评估的显示适应图像块的欧氏距离;
步骤S34:进行块连接操作,经过块连接操作后第i个待评估的显示适应图像块分数spli的计算公式如下:
式中,λ是一个0到1之间的常数,本发明选取0.7。
在本实施例中,所述对块连接操作结果进行加权池化,得到图像质量分数具体为:使用显著性图对块连接操作结果进行加权池化,得到整张待评估图像的质量分数Q,具体计算公式如下:
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (4)
1.一种基于块连接的图像显示适应评估方法,其特征在于,包括以下步骤:
利用显著性检测算法对原始图像进行显著性检测,并生成显著性图;
计算待评估的显示适应图像块与原始图像块之间的相似性分数;
对待评估的显示适应图像块的相似性分数进行块连接操作;
对块连接操作结果进行加权池化,得到图像质量分数;
所述对待评估的显示适应图像块的相似性分数进行块连接操作具体包括以下步骤:
步骤S31:计算待评估的显示适应图像中第i个局部块和第k个局部块间的欧式距离:
式中,pi(x)、pi(y)分别表示第i个局部块中心像素坐标的横坐标和纵坐标;pk(x)和pk(y)分别表示第k个局部块中心像素坐标的横坐标和纵坐标;
步骤S32:对待评估图像块的相似性分数进行局部保真度约束,局部保真度约束后,第i块待评估图像块的质量分数sli计算公式如下:
sli=si(1-sdi);
其中,
式中,sik=|si-sk|为si与其8邻域的图像块集合中第k个待评估的显示适应图像块的相似性分数sk之间差值的绝对值,为第i个待评估的显示适应图像块与其8邻域的图像块集合中第k个待评估的显示适应图像块的欧氏距离;sdi表示第i个待评估的显示适应图像块的相似性分数si与其8邻域的图像块集合中图像块的相似性分数差异的欧氏距离加权和;通过1-sdi来表示第i个待评估的显示适应图像块与其8邻域图像块的质量差异程度;
步骤S33:对每个待评估的显示适应图像块的相似性分数进行全局保真度约束,在全局保真度约束下的第i个待评估的显示适应图像块质量分数sgi计算公式如下:
式中,sj为第j个待评估的显示适应图像块与其对应的原始图像块的相似性分数,ρij为第i个待评估的显示适应图像块与第j个待评估的显示适应图像块的欧氏距离;
步骤S34:进行块连接操作,经过块连接操作后第i个待评估的显示适应图像块分数spli的计算公式如下:
式中,λ是一个0到1之间的常数;
所述计算待评估的显示适应图像块与原始图像块之间的相似性分数具体包括以下步骤:
步骤S21:将原始图像划分成n块N×N的图像块;建立待评估的显示适应图像和原始图像像素间的一一对应关系,将原始图像中的图像块与待评估的显示适应图像中的图像块进行对应;
步骤S22:计算待评估的显示适应图像中的第i个待评估的显示适应图像块与其对应的原始图像中的原始图像块的宽高比相似度:
式中,rw(i)=wret(i)/N,rh(i)=hret(i)/N,其中,wret(i)和hret(i)分别是第i块待评估的显示适应图像块水平方向和竖直方向最大的宽度和高度,C=1e-6;其中原始图像块的宽高比为1,因此省略分母;
步骤S23:计算第i个待评估的显示适应图像块与其对应的原始图像块间的信息保真度sinf(i):
式中,μr(i)=(rw(i)+rh(i))/2,α=0.3;
步骤S24:计算第i个待评估的显示适应图像块与原始图像块间的轮廓相似度;原始图像与其对应的待评估图像的第i个待评估的显示适应图像块的轮廓分别表示为Co(i)和Cr(i);每个轮廓中的像素采用八连通Freeman链码表示,然后计算该轮廓的链码直方图;
步骤S25:计算第i对图像块轮廓的链码直方图相似度d(i):
步骤S26:计算第i个待评估的显示适应图像块轮廓Cr(i)与对应的原始图像块Co(i)的轮廓相似度:
scch(i)=d(i)β;
式中,β是一个大于0的常数,用于调整轮廓相似度在图像保真度度量中的权重;
步骤S27:计算第i个待评估的显示适应图像块和与其对应的原始图像块的相似性分数si:
si=sar(i)·sinf(i)·scch(i)。
2.根据权利要求1所述的一种基于块连接的图像显示适应评估方法,其特征在于,所述利用显著性检测算法对原始图像进行显著性检测,并生成显著性图具体为:利用图像显著性检测算法对原始图像进行显著性检测并生成对应的显著性图,同时将显著性图划分成N×N的图像块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911413370.7A CN111127460B (zh) | 2019-12-31 | 2019-12-31 | 一种基于块连接的图像显示适应评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911413370.7A CN111127460B (zh) | 2019-12-31 | 2019-12-31 | 一种基于块连接的图像显示适应评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127460A CN111127460A (zh) | 2020-05-08 |
CN111127460B true CN111127460B (zh) | 2022-06-14 |
Family
ID=70506511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911413370.7A Active CN111127460B (zh) | 2019-12-31 | 2019-12-31 | 一种基于块连接的图像显示适应评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127460B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510485A (zh) * | 2018-03-27 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的无参照图像质量评估方法 |
CN109978859A (zh) * | 2019-03-27 | 2019-07-05 | 福州大学 | 一种基于可见失真池化的图像显示适应质量评估方法 |
CN110516716A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于多分支相似度网络的无参考图像质量评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10789696B2 (en) * | 2018-05-24 | 2020-09-29 | Tfi Digital Media Limited | Patch selection for neural network based no-reference image quality assessment |
-
2019
- 2019-12-31 CN CN201911413370.7A patent/CN111127460B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510485A (zh) * | 2018-03-27 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的无参照图像质量评估方法 |
CN109978859A (zh) * | 2019-03-27 | 2019-07-05 | 福州大学 | 一种基于可见失真池化的图像显示适应质量评估方法 |
CN110516716A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于多分支相似度网络的无参考图像质量评价方法 |
Non-Patent Citations (3)
Title |
---|
Deep Saliency Quality Assessment Network With Joint Metric;Liangzhi Tang et al.;《IEEE Access》;20171222;第6卷;第913-924页 * |
Image Retargeting Quality Assessment Based on Registration Confidence Measure and Noticeability-Based Pooling;Yuzhen Niu et al.;《IEEE Transactions on Circuits and Systems for Video Technology》;20200528;第31卷(第03期);第972-985页 * |
视觉显著性检测算法研究;阳兵;《中国优秀博硕士学位论文全文数据库(博士)》;20190815(第08期);第1-152页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111127460A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
CN105354865B (zh) | 多光谱遥感卫星影像自动云检测方法及系统 | |
CN109978854B (zh) | 一种基于边缘与结构特征的屏幕内容图像质量评估方法 | |
CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
CN110378849B (zh) | 基于深度残差网络的图像去雾去雨方法 | |
CN108074239B (zh) | 一种基于先验感知质量特征图的无参考图像质量客观评价方法 | |
CN109191460B (zh) | 一种对于色调映射图像的质量评价方法 | |
CN102005033B (zh) | 一种图像平滑抑制噪声方法 | |
CN105976330A (zh) | 一种嵌入式雾天实时视频稳像方法 | |
CN107318014B (zh) | 基于视觉显著区域和时空特性的视频质量评估方法 | |
CN111612741A (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
CN111145102A (zh) | 一种基于卷积神经网络的合成孔径雷达图像去噪方法 | |
CN109886945A (zh) | 基于对比度增强的无参考对比度失真图像质量评价方法 | |
CN104200434B (zh) | 一种基于噪声方差估计的非局部均值图像去噪方法 | |
CN112950596A (zh) | 基于多区域多层次的色调映射全向图像质量评价方法 | |
CN111462002B (zh) | 一种基于卷积神经网络的水下图像增强与复原方法 | |
CN111047618B (zh) | 基于多尺度的无参考屏幕内容图像质量评估方法 | |
CN110910347B (zh) | 一种基于图像分割的色调映射图像无参考质量评价方法 | |
CN108682005B (zh) | 基于协方差矩阵特征的半参考3d合成图像质量评价方法 | |
CN104200460B (zh) | 基于图像特征和互信息的图像配准方法 | |
CN111127460B (zh) | 一种基于块连接的图像显示适应评估方法 | |
CN111489333B (zh) | 一种无参考夜间自然图像质量评价方法 | |
CN104123719B (zh) | 一种用主动轮廓进行红外图像分割的方法 | |
CN109447952B (zh) | 一种基于Gabor差分盒加权维数的半参考型图像质量评价方法 | |
CN111105387A (zh) | 基于统计特征视角合成质量预测方法、信息数据处理终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |